Cet article présente une étude sur l'apprentissage du comportement de systèmes dynamiques linéaires sur un réseau à l'aide d'un modèle de réseau neuronal graphique, en considérant les caractéristiques de propagation de l'information (diffusion, localisation faible et localisation forte) dans les systèmes complexes. Nous développons un cadre de réseau neuronal basé sur la convolution de graphes et l'attention pour identifier le comportement à l'état stationnaire des systèmes dynamiques linéaires et démontrons que le modèle entraîné discrimine différents états avec une grande précision. Nous évaluons les performances du modèle à l'aide de données réelles et fournissons des dérivations analytiques de la propagation avant et arrière du cadre afin d'améliorer l'explicabilité du modèle.
